🤖 machine learning

Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting

본 논문은 시장의 변동성, 비정상성, 그리고 체제 전환적 역동성에 지속적으로 적응할 수 있는 능력을 활용하여 헨리 허브 천연가스 현물 가격의 단기 예측 정확도를 향상시키기 위해 액체 신경망을 사용하는 것을 제안합니다.

원저자: Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

게시일 2026-04-29

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

천연가스 가격을 상상해 보십시오. 그것은 야생적이고 예측 불가능한 말과 같습니다. 때로는 부드럽게 질주하지만, 종종 돌풍, 지정학적 논쟁, 또는 기상 변화로 인해 놀라거나, 점프하거나, 원을 그리며 달립니다. 이 말이 내일 어디로 갈지 예측하는 것은 incredibly 어렵습니다. 왜냐하면 그것은 직선을 따라 움직이지 않기 때문이며, 끊임없이 생각을 바꾸기 때문입니다.

이 논문은 서로 다른 "훈련사"(컴퓨터 모델) 들이 말의 다음 행동을 가장 잘 예측할 수 있는지를 겨루는 경주입니다. 컬럼비아大学の 연구자들은 새로운 유형의 AI 인 **리퀴드 신경망 (LNN)**이 구식 방법들보다 더 나은 성과를 낼 수 있는지 확인하고자 했습니다.

다음은 그들의 실험 내용과 발견한 바를 간단한 비유로 정리한 것입니다:

경쟁자들

연구자들은 천연가스 (특히 미국의 "표준 가격 태그"와 같은 헨리 허브의 가스) 의 일일 가격 변동을 예측하기 위해 다섯 가지 다른 유형의 모델을 경주시켰습니다.

오래된 코치 (Rolling-Window Linear Regression): 이는 전통적인 방법입니다. 말의 지난 30 일간의 행동을 살펴보고 내일을 예측하기 위해 직선을 그리는 코치라고 상상해 보십시오. 간단하지만, 에너지 시장에서는 거의 사실이 아닌 말이 직선으로 달릴 것이라고 가정합니다.
경직된 로봇 (LSTM): 이는 과거를 기억하는 표준 AI 입니다. 고정된 내부 시계를 가진 로봇이라고 생각하십시오. 패턴을 학습하지만, 일단 "기어"를 설정하면 속도가 변하지 않습니다. 시장이 갑자기 기어를 바꾸면, 내부 시계가 고정된 속도에 머물러 있기 때문에 로봇은 반응이 느립니다.
리퀴드 모델 (LNNs): 이들은 블록 위의 새로운 아이들입니다. 고정된 시계를 갖는 대신, 이 모델들은 유체 시간을 갖습니다. 그들의 내부 기어는 현재 무슨 일이 일어나고 있는지에 따라 즉시 속도를 높이거나 늦출 수 있습니다. 시장이 조용하면 에너지를 절약하기 위해 천천히 움직이고, 시장이 혼란스러우면 모든 세부 사항을 포착하기 위해 속도를 높입니다.

연구자들은 이러한 "리퀴드"모델의 다섯 가지 구체적인 버전을 테스트했습니다:

Strict CfC: 고정된 혼합 규칙을 가진 리퀴드 모델.
LTC (Liquid Time-Constant): 속도를 조절할 수 있지만 균일한 단계 크기를 사용하는 모델.
Hybrid CfC: 시장의 "소음"이 얼마나 "큰"지에 따라 속도를 조절하는 모델.
CT-LTC: 캘린더 (예: 주말에 더 느리게 이동) 를 기반으로 속도를 조절하려는 모델.

경주 조건

데이터는 2021 년 겨울 폭풍 우라 (가스 가격이 미친 듯이 상승했을 때) 와 2022 년 에너지 위기와 같은 대규모 충격을 포함하여 10 년 이상 (2015~2025 년) 을 다루었습니다. 모델들은 하루 앞의 가격 변동을 예측해야 했습니다.

공정한 테스트를 위해, 연구자들은 모델들에게 한 번에 모든 데이터를 주지 않았습니다. 대신 "성장하는 창" 방식을 사용했습니다:

모델들은 30 일의 역사로 시작했습니다.
예측을 했습니다.
그런 다음, 실제 데이터 하루를 역사에 추가하고 다시 시도했습니다.
이는 실제 트레이더가 매일 학습하는 것을 시뮬레이션하여 160 회 반복되었습니다.

결과: 누가 이겼나?

1. 오래된 코치 (선형 회귀) 가 꼴찌를 했습니다.
예상대로, 간단한 직선 모델은 처참하게 실패했습니다. 가스 시장의 야생적인 점프와 회전을 처리할 수 없었습니다. 롤러코스터 탑승을 직선을 그려 예측하려는 것과 같았습니다.

2. 경직된 로봇 (LSTM) 은 괜찮았지만, 훌륭하지는 않았습니다.
표준 AI 는 오래된 코치보다 더 잘했지만, 시장이 갑자기 성격을 바꿀 때 어려움을 겪었습니다. 내부 시계가 고정되어 있었기 때문에, 텍사스를 강타한 폭풍과 같은 갑작스러운 "충격"에 빠르게 적응할 수 없었습니다. 그것은 야생적인 급상승을 부드럽게 만들어 큰 움직임을 놓치는 경향이 있었습니다.

3. 리퀴드 모델 (LNNs) 이 선두를 차지했습니다.
새로운 리퀴드 모델들은 일반적으로 다른 모델들보다 더 잘 수행했습니다. 그들은 혼란을 처리하는 데 더 능숙했습니다.

승자: Hybrid CfC.
이 모델이 챔피언이었습니다. 그 비밀은 입력 조건부 시간 척도 변조에 있었습니다.
- 비유: 차를 운전한다고 상상해 보십시오. 도로가 매끄러울 때는 일정한 속도로 크루징합니다. 하지만 구덩이나 사슴이 튀어나오는 것을 보면 즉시 브레이크를 밟거나 핸들을 꺾습니다. Hybrid CfC 는 이렇게 합니다: 시장 데이터가 "크게"나 혼란스러워지면, 즉시 내부 처리 속도를 높여 반응합니다. 상황이 조용하면 속도를 늦춥니다. 현재 상황에 따라 "반응 속도"를 변경할 수 있는 이 능력이 가장 정확한 결과를 만들었습니다.
준우승자: LTC.
이 모델 또한 매우 강력했습니다. 그것은 경직된 로봇들보다 시장의 흐름을 더 잘 추적할 수 있게 해주는 연속 시간 접근 방식을 사용했습니다. 그러나 Hybrid CfC 보다 약간 덜 유연했는데, 데이터의 특정 "크기"에 따라 속도를 동적으로 조절하지 않았기 때문입니다.
실망스러운 결과: CT-LTC.
이 모델은 캘린더를 보는 것 (예: 월요일이 금요일 이후 세 번째 날임을 아는 것) 으로 현명해지려 했습니다. 연구자들은 이것이 도움이 될 것이라고 생각했지만, 잘 작동하지 않았습니다.
- 이유? 가스 시장에서는 조용한 월요일이 대규모 폭풍 이후의 월요일과 매우 다르기 때문입니다. 이 모델은 캘린더 때문에 모든 월요일을 동일하게 취급하여 실제 시장 뉴스를 놓쳤습니다. 그것은 앞의 교통 상황을 무시하고 시계만 보는 운전사와 같았습니다.

큰 교훈

이 논문은 유연성이 핵심이라고 결론지었습니다.

끊임없이 생각을 바꾸는 시장 (비정상적) 에서 고정된 내부 시계를 가진 모델들 (표준 LSTM 과 같은) 은 어려움을 겪습니다. 가장 좋은 성능을 보인 모델들은 순간의 혼란에 맞춰 내부 속도를 지속적으로 적응시킬 수 있는 모델들이었습니다.

Hybrid CfC는 야생적이고 변동성이 큰 시장을 예측하는 최선의 방법이 더 빠른 컴퓨터를 갖는 것이 아니라, 현재 무슨 일이 일어나고 있는지에 따라 언제 속도를 높이고 언제 늦출지 아는 컴퓨터를 갖는 것임을 증명했습니다.

이 논문이 말하지 않은 것:

이 모델들이 미래를 완벽하게 예측할 수 있다고 주장하지 않았습니다 (그들은 여전히 겨울 폭풍 우라와 같은 가장 크고 극단적인 충격을 놓쳤습니다).
장기 계획 (예: 5 년 후) 에 이러한 모델을 사용하도록 제안하지 않았습니다; 이들은 단기, 다음 날 추측을 위해 설계되었습니다.
모델들이 현재 일부 "물리적"데이터 (실제 파이프라인 흐름 또는 기상 예보 등) 를 놓치고 있어 가장 큰 점프를 예측하는 능력이 제한된다고 지적했습니다.

간단히 말해: 야생의 말을 예측하려면, 엄격한 일정을 따르는 훈련사가 아니라 전략을 즉시 변경할 수 있는 훈련사가 필요합니다. Hybrid Liquid Neural Network가 바로 그 유연한 훈련사입니다.

"천연가스 현물 가격 시계열 예측을 위한 액체 신경망 모델"에 대한 상세 기술 요약입니다.

1. 문제 제기

이 논문은 천연가스 현물 가격 (특히 헨리 허브 벤치마크) 의 단기 예측이라는 과제에 직면합니다. 이 작업은 다음과 같은 이유로 본질적으로 어렵습니다:

높은 변동성과 비정상성: 가격은 계절적 수요, 지정학적 충격, 공급 중단에 의해 주도되어 빈번한 체제 변화를 초래합니다.
전통적 모델의 한계:
- 계량경제 모델 (ARIMA, GARCH): 선형 가정과 정상성에 의존하여 구조적 변화 시 실패합니다.
- 표준 딥러닝 (LSTM): 비선형성을 모델링할 수는 있지만, 고정된 내부 역학과 이산 시간 단계를 사용하여 급격한 시장 변화에 지속적으로 적응하는 능력이 제한됩니다.
격차: 기존 접근법은 종종 고정된 매개변수나 이산적 업데이트에 의존하여, 변동성이 큰 상품 시장에 필요한 지속적인 적응력을欠缺합니다.

2. 방법론

A. 데이터셋

목표: 일별 헨리 허브 천연가스 현물 가격 (USD/MMBtu).
기간: 2015 년 1 월 6 일 ~ 2025 년 8 월 29 일 (2,645 개 관측치).
특징: 30 개의 예측 변수를 포함:
- 에너지 펀더멘털: WTI 원유, 원자력 발전 용량/정지.
- 거시경제: 미국 국채 수익률 곡선 (2 년, 5 년, 10 년, 20 년), 미국 달러 인덱스.
- 시장 심리: S&P 에너지 지수, 다우 존스 석탄 지수, EQT Corporation 주가.
전처리: 생존 편향을 피하면서 진정한 시장 충격 (예: 겨울 폭풍 Uri) 을 유지하기 위해 결측 데이터 (공휴일) 와 극단적 이상치 (표준 편차 5.5 배 초과) 를 신중하게 처리했습니다.

B. 기준 모델

다변량 롤링 윈도우 선형 회귀: 일별 계수를 재추정하기 위해 30 일 롤링 윈도우를 사용하는 표준 벤치마크입니다. 이는 지연된 수익률과 외생적 특징을 포함합니다.

C. 평가된 신경 아키텍처

본 연구는 다섯 가지 신경 모델을 기준 모델과 비교합니다:

LSTM: 표준 이산 시간 순환 벤치마크.
Strict CfC (Closed-form Continuous-time): 시그모이드 인터폴레이션 게이트를 사용하는 폐형식 해를 사용하지만 입력 의존적 시간 상수가 없습니다.
LTC (Liquid Time-Constant): 학습 가능한 시간 상수 ( $\tau$ ) 와 어트랙터 매개변수를 가진 연속 시간 ODE 를 사용하며, 준암시적 오일러 단계로 업데이트됩니다.
Hybrid CfC: 폐형식 업데이트와 입력 조건부 시간 척도 변조를 결합합니다. 감쇠율은 입력 신호의 크기 ( $|f_t|$ ) 에 따라 적응합니다.
CT-LTC (Calendar-gap LTC): LTC 의 확장으로, 통합 단계 크기 ( $\Delta t$ ) 가 고정된 단위 단계가 아니라 실제 경과된 캘린더 시간 (주말/공휴일 고려) 에 의해 결정됩니다.

D. 평가 프로토콜

확장 윈도우: 각 평가 지점에서 확장된 과거 데이터를 사용하여 모델을 처음부터 재학습합니다 (롤링 윈도우와 달리). 이는 LNN 에 유리한 증가하는 데이터를 활용합니다.
층화 샘플링: 다양한 시장 체제를 커버하도록 20 개의 시간적 빈에서 160 개의 평가 지점을 추출합니다.
불확실성 정량화: 예측 오차의 시간적 자기상관을 보존하면서 지표에 대한 95% 신뢰구간을 생성하기 위해 300 번의 반복을 사용한 **이동 블록 부트스트랩 (MBB)**을 사용합니다.
지표: 피어슨 상관 ( $r$ ), 스피어만 순위 ( $\rho$ ), 방향성 정확도 (DA), $R^2$ , RMSE, MAE.

3. 주요 기여

체계적 비교: 천연가스 예측을 위한 견고한 선형 기준 모델에 대한 다섯 가지 서로 다른 액체 신경망 (LNN) 아키텍처의 첫 번째 종합 평가.
엄격한 통계적 검증: 비정상성과 시간적 자기상관을 고려한 통계적으로 신뢰할 수 있는 성능 추정을 제공하기 위해 층화 확장 윈도우 프로토콜과 이동 블록 부트스트랩을 결합한 구현.
아키텍처 통찰: 고정 단계 또는 캘린더 기반 접근법과 구별되는 고주파수, 체제 변화 시장에서의 성능을 주도하는 핵심 설계 요소로 입력 조건부 시간 척도 변조를 식별.

4. 결과 및 분석

성능 요약

기준 (선형 회귀): 성능이 부진했습니다 ( $r \approx -0.04$ , $R^2 \approx -91$ ), 이는 데이터의 비선형적 특성을 확인시켜 줍니다.
LSTM: 중간 정도의 방향성 정확도 (55%) 를 달성했지만, 크기를 포착하지 못했습니다 ( $R^2 \approx 0$ ), 이는 중요한 변동성을 평활화했음을 나타냅니다.
Strict CfC: LSTM 보다 부진하여, 적응형 시간 상수 없이 폐형식 업데이트만으로는 이 작업에 불충분함을 시사합니다.
CT-LTC: 캘린더 간격과 관련하여 이론적 매력이 있음에도 불구하고, 균일 단계 LTC 보다 부진했습니다. 저자들은 캘린더 거리가 이벤트 주도 시장에서의 "정보적 거리"에 대한 나쁜 대리 변수라고 주장합니다.
LTC: LSTM 과 Strict CfC 를 현저히 능가했습니다 ( $r \approx 0.25$ , 양의 $R^2$ ). 연속 시간 역학이 수익 경로 수준을 더 잘 추적할 수 있게 했습니다.
Hybrid CfC (최고 성능자):
- 최고 지표: 가장 높은 피어슨 상관 ( $r \approx 0.30$ ), 스피어만 상관, 그리고 $R^2$ (0.057) 을 달성했습니다.
- 통계적 유의성: $R^2$ 에 대한 부트스트랩 신뢰구간이 엄격히 양수였으며, 이는 이 우위가 무작위가 아닌 체계적임을 확인시켜 줍니다.
- 메커니즘: 성공은 적응형 감쇠율 ( $A_t = 1/\tau_t + |f_t|$ ) 에 기인합니다. 시장 충격이 발생할 때 (큰 $|f_t|$ ), 모델은 낡은 정보를 신속히 제거하고, 조용한 기간에는 더 긴 시간 범위에 걸쳐 통합합니다.

주요 발견

방향성 vs 크기: 일부 모델 (예: LSTM) 은 무작위보다 약간 더 나은 방향을 예측할 수 있었지만, Hybrid CfC 와 LTC 만이 수익의 크기와 구조를 성공적으로 예측했습니다.
적응성이 핵심: 변동성이 큰 에너지 시장에서 입력 크기에 기반하여 내부 시간 상수를 변조하는 능력 (Hybrid CfC) 은 고정 시간 상수 (LTC) 나 캘린더 기반 단계 (CT-LTC) 보다 우월합니다.
극단적 사건: 모든 모델은 극단적 외생 충격 (예: 겨울 폭풍 Uri) 을 예측하는 데 어려움을 겪었으며, 이는 실시간 외부 신호 (예: 기상 예보) 없이 순수 데이터 기반 모델의 한계를 강조합니다.

5. 중요성 및 결론

실무적 영향: 본 연구는 Hybrid CfC와 LTC가 천연가스 단기 예측을 위한 신뢰할 수 있는 프레임워크를 제공함을 보여줍니다. 향상된 정확도는 특히 고변동성 기간 동안 유틸리티, 트레이더, 위험 관리자의 의사 결정을 개선할 수 있습니다.
이론적 기여: 이 논문은 정상성 가정이 실패하는 복잡한 금융 시계열을 모델링할 때 적응형 시간 메커니즘을 신경 아키텍처에 통합하는 것이 원칙적인 접근법임을 검증합니다.
향후 방향: 저자들은 향후 연구가 다음에 초점을 맞춰야 한다고 제안합니다:
- 금융 대리 변수뿐만 아니라 물리적 시장 펀더멘털 (저장 보고서, 파이프라인 흐름, 기상 데이터) 을 통합.
- 헤징과 관련된 다단계 예측 시간 범위로 프레임워크 확장.
- 비선형성 대 적응적 재추정의 특정 이득을 분리하기 위해 고전적 시계열 벤치마크 (ARIMA/GARCH) 와 비교.

요약하자면, 이 논문은 액체 신경망, 특히 Hybrid CfC 아키텍처가 에너지 시장의 비정상성과 충격 주도적 특성에 내부 역학을 효과적으로 적응시킴으로써 천연가스 가격 예측에서 기존 선형 및 표준 딥러닝 모델을 능가함을 확립합니다.